使用自编码器与高斯混合模型对定量成像表型进行无监督聚类
图像与视频处理
2020-01-07 v1 计算机视觉与模式识别
定量方法
摘要
定量医学图像计算（影像组学）已被广泛应用于从医学图像构建预测模型。然而，在传统影像组学中，过拟合是一个重要问题，其中大量影像组学特征被直接用于训练和测试预测基因型或临床结果的模型。为了解决这个问题，我们提出了一种无监督学习流程，该流程由一个用于影像组学特征表示学习的自编码器和一个基于最小消息长度准则的高斯混合模型组成，用于聚类。通过引入概率建模，疾病异质性已被考虑在内。所提出的流程在一个包含 108 名结直肠癌肝转移患者的机构 MRI 队列上进行了性能评估。我们的方法能够自动选择最佳的聚类数量，并将患者分配到具有显著不同生存率的聚类（影像亚型）中。我们的方法优于其他已用于影像组学分析的无监督聚类方法，并且具有与最先进的影像生物标志物相当的性能。
引用
@article{arxiv.1909.02953,
title = {Unsupervised Clustering of Quantitative Imaging Phenotypes using Autoencoder and Gaussian Mixture Model},
author = {Jianan Chen and Laurent Milot and Helen M. C. Cheung and Anne L. Martel},
journal= {arXiv preprint arXiv:1909.02953},
year = {2020}
}
备注
Accepted at MICCAI 2019